[[150422]]

機器學習基于一種算法，該算法從數據中獲得學習能力，而無需依靠基于規則的編程。隨著數字化的進步和計算能力日趨便宜，使得數據科學家能夠停止建造模型，轉而訓練計算機來進行這一工作，因此機器學習在20世紀90年代晚期作為一門科學學科出現在了大眾的視野中。目前全世界矚目的大數據因其難以管理的巨大數量和復雜性增加了使用機器學習的潛能——以及對機器學習的需求。

2007年，斯坦福人工智能實驗室主任李菲菲放棄了給計算機編程來識別物體這一工作，開始給百萬幅3歲小孩都認得的原始圖像打上標簽，將這些圖輸入到計算機中。通過向計算機輸入成百上千張帶有標簽的圖片，比如說標示這些圖片為貓，計算機能夠自行判斷一組特定的數碼像素是否真的是只貓。去年11月，李菲菲帶領的團隊開發出一個程序，能夠高精度地識別出任一圖片中的視覺元素。IBM的沃森機器在2011年依靠類似的從成百上千的潛在答案中自發生成的評分系統打敗了Jeopardy！游戲中的世界***玩家。

雖然這些壯舉如此耀眼，但機器學習完全不像是人類感官類的學習。然而它在分析任意量的數據和所有變量組合方面已經做得非常出色了——將來也會做得更好。由于機器學習是在最近才剛剛作為主流管理工具涌現出來，這經常給我們帶來些疑惑。在這篇文章中，我們列舉了一些我們經常聽到的問題，并以一種我們希望對任何使用者來說都能有用的方式予以解答。現在是時候解決這些問題了，因為由機器學習強化的商業模型帶來了驟然飆升的競爭力。確實，管理學家Ram Charan表示「任何現在還不會使用數學或無法迅速掌握數學的機構都將是行將就木的公司了。」

1. 傳統行業如何利用機器學習來收集新的商業視點？

好，讓我們從體育開始。今年春季，美國NBA賽事的參賽者依賴于一家加州機器學習創業公司的二次譜法分析，通過數字化過去幾個賽季的比賽，創造了預測模型，使教練能夠分辨出如其CEO Rajiv Maheswaran所描述的「得分的差射手，和不得分的好射手」，以此來調整他的戰略部署。

沒有比通用電氣更值得尊敬或更傳統的了，它是歷經119年道瓊斯工業指數上唯一留下的老成員了。通用已經通過處理從深海油井或飛機引擎收集到的數據來優化其表現力，預見故障和提升維護效率，從而賺到了億萬美元。但是去年年底從IBM離職后作為軟件研發部副總裁加入GE的Colin Parris認為，在數據處理能力、傳感器和預測算法方面的持續改進不久將會對其公司獨特的噴射引擎帶來深刻影響，這不亞于谷歌對西好萊塢一位24歲網民的在線行為帶來的影響

2. 北美之外的地方如何呢？

在歐洲，超過數十家銀行更換了舊的統計分析模型，用上了機器學習技術，在某些情況下，新產品的銷售提升了10個百分點，資本支出節省了20個百分點，兌現收集增加了20個百分點，流失損耗減少了20個百分點。銀行通過為零售客戶和中小型企業設定新的推介引擎實現了上述目標。他們也建立了宏觀目標模型，來更加精確地預測哪些人會取消服務，或無法歸還貸款，以及如何***的介入這一切。

更貼近生活些的，最近一篇麥肯錫季刊上的報道指出，我們的同行已經將硬性的分析學應用于軟性的人才管理這類事物中了。去年秋季，他們測試了由外部供應商提供的三種算法和內部自研的一種算法，這些算法主要通過檢驗掃描的簡歷，預測這家公司最終會在超過10000名的應征者中錄取哪些人。預測結果與實際結果十分貼切。有趣的是，機器所選的應征者中女性占據稍高的比例，這保證了利用分析技術來使概況更加廣泛，并克服了隱藏的人類偏見性。

隨著模擬世界越發的數字化，我們通過研發測試算法從數據中學習的能力對于那些現在被視為傳統商業的情況來說只會越來越重要。谷歌***經濟學家Hal Varian將之稱之為「計算機持續改進」。他認為，「只是因為大量產品改變了曾經的組裝方式，持續改進改變了曾經的制造業情況，所以持續的『通常也是自動化的』實驗將會改善我們在機構中優化商業過程的方式。」

3. 機器學習的早期基礎是什么？

機器學習基于大量的早期構造模塊，起始于經典統計學。統計推論確實為當前人工智能的落實構建了重要基礎。但需要意識到經典統計學技術在18世紀到20世紀早期得到了發展，應用于很多比我們現在處理的小的多的數據組中。機器學習不受統計學預設的假設限制。因此，它能夠得出人類分析師看不到的見解，并做出精度更高的預測。

最近，在20世紀30年代到40年，計算機先驅（比如阿蘭·圖靈，他對人工智能有著深刻持久的興趣）開始研究并改善基本技術，比如使今天的機器學習成為可能的神經網絡。但這些技術留在實驗室的時間比很多其他技術要長的多，大多數情況下，這些技術不得不等待強大的計算機發展與建設的完成，而這直到70年代晚期和80年代早期才初具規模。這可能就是機器學習導入曲線的起始點。新技術被引入進現代經濟——比如，蒸汽機、電力、電力馬達和計算機——似乎花費了將近80年的時間，才從實驗室過渡到你可能會稱之為文化缺位的時刻。計算機現在還未退出大眾視野，但這可能會在2040年發生。而機器學習退居幕后可能不會花費很多時間。

4. 那我們從何開始？

如果高管們把機器學習視為一個制作和實施公司戰略愿景的工具, 那么他們會***程度的利用它。但這也意味著將戰略放在首位。若不以戰略為出發點, 機器學習可能淪為忙于處理公司日常運營的工具: 它能提供一定的幫助, 但其長期價值很可能被局限于***重復的”餅干模型”應用中, 比如建模來獲得新客戶, 刺激和保有客戶等。

我們發現了與并購類似的有益之處，畢竟這是一種達到明確目的的手段。 沒有哪個明智的商家會匆忙地開始一場并購然后坐等結果。從事機器學習的公司應該像從事并購的公司一樣做出三個承諾。***，調查所有的可行方案；第二，全力追蹤高管的戰略；第三, 使用（如果有需要的話）高管已有的專長和知識來引導戰略的應用。

負責制定戰略遠景的人很可能（或曾經）是數據科學家. 但在定義問題和戰略所需的結果時， 他們需要來自監管其他重要戰略舉措高管同事的指導。更廣泛來說, 公司需要兩種人來釋放機器學習的潛力.「定量分析家（Quants）」接受語言和方法訓練。「翻譯家（Translators）」能搭建數據科學，機器學習和根據定量分析家的復雜結果重構成公司總經理可執行的有價值的情報所做決策之間的橋梁。

對于有效的機器學習來說需要有用可靠的數據，比如在測試中發現沃森預測腫瘤結果的能力比醫生要好，而Facebook最近成功的教會了計算機識別特定的人臉，其精確度幾乎和人類一樣。真正的數據戰略起始于識別數據間的差距，決定填補這些差距所需的時間和花費，并打破這些孤島。通常，部門囤積信息并將之政治化——這也是一些公司創建負責將所需要的信息整合在一起的***數據官這一新崗位的原因。其他因素還包括基層管理者需要負責產生數據等。

由小開始——尋找小方面的成果并鼓勵任何早期的成功。這將幫助招募到基層的支持并增強個體行為及員工補償買入的變化，從而最終決定一個機構能否有效應用機器學習。***，根據明確的成功標準來進行評估。

5. 高層管理應扮演什么角色？

改變行為是至關重要的，高層管理人員的一個關鍵任務就是去影響和鼓勵它。比如說，傳統的管理人員將必須熟悉自己在A/B測試中的變化，其中，這種測試是被數碼公司用來檢驗什么會或者不會吸引線上消費者的一項技術。盡管有日益強大的計算機提供建議，一線的管理人員還是必須要學會自己做更多決策，緊隨高層管理人員設定的大方向，只有在出現意外時才重新校準方向。普及數據分析是需要時間的，比如讓一線人員掌握必要的技能、對分享數據實施合適的激勵等。

***級別的***執行層人員應該分三個階段來運用機器學習——機器學習1.0、2.0和3.0，或者，我們更愿意分別稱之為描述、預測和處方。他們或許無需過分擔心處方階段，因為大部分公司已經過了這個階段。那是所有關于往數據庫中收集數據（基于目標），發展出能夠為管理層提供基于過去的新洞察的工作。OLAP（在線分析處理）對大多數大公司來說已經是一項較完善的例行工作。

對預測階段的需求顯得更加緊迫。這也是目前正在發生的事。今天的前沿技術不僅允許公司查看過去的歷史數據，還能預測未來的行為或結果——比如說，可以幫助銀行的信用風險控制人員評估哪些客戶更容易欠債不還，或者能讓電信公司預測近期可能流失哪些客戶。

在預測階段，***層管理人員最擔心的就是數據的質量。這種擔心常常阻滯事務的執行。盡管，根據我們的經驗，最近十年的IT投資已經讓絕大多數公司足以從哪怕不完整和混亂的數據集中獲取新的洞察，如果這些公司選擇了正確的算法的話。比起挖掘舊數據庫，引入新的數據源可能只會帶來微乎其微的益處。面對這種挑戰，正是「***數據科學家」（chief data scientist）的任務。

處方階段是機器學習中的第三個階段，也是***級的階段，代表著未來的機會，應當得到***層管理者的高度重視。畢竟，只預測消費者未來的行為是遠遠不夠的，只有理解了他們行為背后的原因，公司才能鼓勵或防止這些未來的行為。從技術上說，在人工翻譯的輔助下，今天的機器學習算法已經能夠做到這一點了。比如說，一家國際銀行擔憂自己零售業務中拖欠借款的規模，它最近鎖定了一批客戶，他們使用信用卡的時間從白天突然變成了半夜。這種刷卡模式伴隨著他們存款率的急劇下降。在咨詢支行經理后，銀行還發現，這些人最近都經歷了一些壓力很大的事件。結果，所有被算法貼上這個標簽的客戶都被銀行細分到一個小的市場區隔內，自動設定了新的信用額度，并向他們提供了財務顧問。

機器學習的處方階段開創了人機協作的新時代，將為我們的工作方式帶來巨大的變革。在機器識別模式的同時，人類翻譯者的責任就是用這些模式來對市場進行進一步細分，并提出行動建議。在此，***層管理者應該直接參與制定和修訂目標中，充分優化算法。

6. 長遠來看，這很像要用自動化來取代人類。那么，近期機器是否會取代管理人員呢？

真的，變化來得如此迅速（數據已經有了），以至于依靠人來做決策很快會變得不實際。我們預計，三到五年后，會有更高級的人工智能，分布式自治系統（DAC, distributed autonomous corporations.）也會得到更大的發展。這些自激勵、自給自足的環節組成了一個系統，能夠自動設定目標，而無需任何直接的人類監管。某些DAC肯定還能實現自我編程。

有一種觀點認為，分布式自治系統對我們的文化而言是一種不利的威脅。但是，當它們發展完全時，機器學習將會在文化中變得隱形，就像20世紀那些科技發明一樣，完全隱沒在文化的背景中。人類的角色將是管理和引導算法，以實現它們背負的目標。這是2008年金融危機中，造成巨大損失的自動交易算法帶給人們的教訓。

不管計算機能揭示出多少新的洞察，只有人類管理人員才有能力決定什么問題是最根本的，比如說公司正要解決什么關鍵的業務問題。正如人類職員需要定期回顧和評估一樣，這些「聰明的機器」和它們的業績也需要定期由經驗豐富、能明辨是非、擁有專業知識的高管們進行評估、精煉——甚至被炒魷魚，或被要求轉向其他方向，誰知道呢。

***的贏家不會是單獨的機器，也不會是單獨的人類，而是兩者高效的協同工作。

7. 所以，長期來看，我們不需要擔心嗎？

很難給出一個確切的答案，但是，在***層管理人員的日常工作中，分布式自治系統和機器學習的程度應該會很高。我們期待著未來有一天，何為智能（無論人工與否）的哲學討論終將結束，因為那時將不再有什么智能——只有各種過程。如果分布式自治系統的表現、執行和反應都很智能，那么，關于「是否存在除人之外的高級智能」的爭論必將停止。同時，我們應該開始思考應該讓它們做些什么，對它們的表現有何期望，以及我們應當如何同它們一起工作。